¿Cómo hago que un PDF sea buscable con Tesseract?

Convierte las páginas del PDF en imágenes (por ejemplo con pdftoppm a 300 DPI) y luego ejecuta `tesseract pagina.tif salida pdf`. Para un PDF multipágina real en un paso, usa OCRmyPDF: `ocrmypdf entrada.pdf salida.pdf`.

¿Por qué Tesseract necesita imágenes en lugar de PDF?

Tesseract es un motor de OCR que reconoce imágenes ráster (TIFF, PNG, JPEG, etc.). Un PDF es un contenedor que puede incluir texto vectorial o imágenes escaneadas, así que sus páginas deben rasterizarse antes de que Tesseract pueda leerlas.

¿Cómo aplico OCR a un PDF en Python?

Usa pdf2image (que necesita poppler) para convertir las páginas en imágenes, ejecuta pytesseract en cada una y combina con `image_to_pdf_or_hocr(page, extension='pdf')` y pypdf.

¿Qué DPI debo usar para el OCR de PDF?

300 DPI es el equilibrio estándar entre precisión y velocidad. Usa 600 DPI para fuentes pequeñas o archivo de alta fidelidad, y evita por debajo de 200 DPI, donde la precisión cae mucho.

¿Por qué el PDF de salida está en blanco o sin texto?

Las causas habituales son la ausencia de capa de texto (el OCR no se ejecutó), un idioma incorrecto o una imagen escaneada con muy baja resolución. Comprueba que la herramienta informó éxito y busca una palabra conocida en el PDF.

Tesseract OCR para PDF — Extraer texto y crear PDF buscables

Resumen (un comando)

Para un PDF multipágina real, OCRmyPDF es la vía más rápida.

bash

pip install ocrmypdf      # o: apt install ocrmypdf
ocrmypdf entrada.pdf salida.pdf

¿Sin OCRmyPDF? Rasteriza y usa la CLI de Tesseract directamente, como se explica abajo.

Por qué hay que rasterizar los PDF

Tesseract reconoce imágenes, no contenedores PDF.

Un PDF es un contenedor: puede incluir texto vectorial, fuentes incrustadas o imágenes de páginas escaneadas. Tesseract lee imágenes ráster (TIFF, PNG, JPEG, WebP…), así que las páginas deben convertirse a imágenes primero. Elige el rasterizador según lo que tengas instalado:

Herramienta	Instalación	Notas
`pdftoppm` (poppler)	`apt install poppler-utils`	Rápido, scriptable, la opción clásica
`pdftocairo` (poppler)	poppler-utils	Similar a pdftoppm, salida Cairo
ImageMagick	`apt install imagemagick`	`convert -density 300 in.pdf out.tif`
PyMuPDF	`pip install pymupdf`	Python puro, sin binarios externos
pdf2image	`pip install pdf2image`	Wrapper de Python sobre poppler

bash

# PDF -> un PNG por página a 300 DPI
pdftoppm -png -r 300 entrada.pdf pagina

El DPI es lo más importante: 300 DPI es el equilibrio estándar; 600 DPI para fuentes pequeñas o archivo; evita por debajo de 200 DPI.

Crear un PDF buscable con la CLI de Tesseract

Una imagen se convierte en una página de PDF buscable con la configuración de salida pdf.

bash

# Imagen -> PDF buscable
tesseract pagina-1.png salida pdf

# Solo capa de texto (sin imagen visible)
tesseract escaneo.png salida textonly_pdf

# Varias páginas en un PDF: pasa una lista de imágenes
tesseract listaimagenes.txt salida pdf

Para un PDF multipágina, pon cada ruta de imagen en su propia línea en listaimagenes.txt. Referencia completa de formatos: documentación.

Método B — OCRmyPDF (recomendado para PDF reales)

OCRmyPDF se encarga de rasterizar, OCR, enderezar, rotar y la capa de texto invisible en un solo comando.

bash

ocrmypdf entrada.pdf salida.pdf                    # básico
ocrmypdf -l eng+spa entrada.pdf salida.pdf         # idiomas
ocrmypdf --deskew --rotate-pages entrada.pdf salida.pdf
ocrmypdf --optimize 2 entrada.pdf salida.pdf       # reduce el archivo
ocrmypdf --skip-text entrada.pdf salida.pdf        # conserva páginas con texto

OCRmyPDF usa Tesseract por debajo y requiere Ghostscript y las herramientas de poppler. Opciones útiles: --force-ocr, --redo-ocr, --pages 1-10.

Método C — pdfsandwich

Un wrapper más ligero que añade una capa de texto y aplica preprocesado como el enderezado.

bash

pdfsandwich escaneo.pdf          # genera escaneo_ocr.pdf
pdfsandwich -lang eng+spa escaneo.pdf

Método D — Python de principio a fin

Usa pdf2image para rasterizar y pytesseract para construir el PDF buscable, y combina con pypdf.

pdf.py

import io, pytesseract
from pdf2image import convert_from_path
from pypdf import PdfWriter, PdfReader

pages = convert_from_path("entrada.pdf", dpi=300)   # necesita poppler
writer = PdfWriter()
for page in pages:
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(page, extension="pdf", lang="spa")
    writer.add_page(PdfReader(io.BytesIO(pdf_bytes)).pages[0])
with open("salida.pdf", "wb") as f:
    writer.write(f)

En Windows, pasa la carpeta bin de poppler con poppler_path=. Más detalle en la guía de pytesseract.

¿Qué método debo usar?

Método	Ideal para	Configuración	Multipágina
OCRmyPDF	PDF reales, automatización	Ghostscript + poppler	Sí, en un comando
pdfsandwich	Capa de texto rápida con preprocesado	poppler + ImageMagick	Sí
CLI de Tesseract	Imágenes o listas de imágenes	Solo Tesseract	Con una lista de imágenes
Python (pdf2image)	Pipelines y lógica personalizada	poppler + pytesseract	Bucle y combinación

Fidelidad de diseño y superposición de texto

Por qué los PDF buscables a veces se ven desalineados y cómo mantener la geometría.

La capa de texto invisible se coloca usando las cajas de palabras del OCR; si el DPI es incorrecto, la superposición puede desviarse.
Usa salida hOCR o ALTO cuando necesites coordenadas exactas para resaltado o archivo.
pdftoppm -r 300 y coincidir con el tamaño original mantiene la superposición alineada.
Para diseños complejos, prefiere OCRmyPDF, que conserva la imagen original y añade la capa encima.

Calidad y rendimiento

DPI: 300 estándar, 600 para texto pequeño o archivo.
Rangos de páginas: procesa solo lo necesario (--pages en OCRmyPDF o recorta la lista).
Paralelismo: aplica OCR a las páginas en paralelo y luego combínalas.
Tamaño: usa --optimize / compresión JPEG o reduce el DPI tras el OCR.
Preprocesado: endereza y elimina ruido antes del OCR.

Solución de problemas

Síntoma	Causa	Solución
`Unable to get page count. Is poppler installed?`	pdf2image no encuentra poppler	Instala poppler-utils o define `poppler_path` en Windows.
El PDF de salida no tiene texto buscable	El OCR no se ejecutó o el idioma es incorrecto	Confirma el éxito y define `-l`/`--language` al idioma del documento.
La superposición de texto está desalineada	DPI o tamaño de página incorrectos	Rasteriza a 300 DPI con el tamaño original.
El archivo de salida es enorme	Imágenes sin pérdida a 600 DPI	Usa `--optimize` / JPEG, o reduce el DPI.
Falla un PDF protegido con contraseña	Entrada cifrada	Descífralo primero o pasa la contraseña si tu herramienta lo admite.

Preguntas frecuentes de PDF

¿Cómo hago que un PDF sea buscable?

Usa ocrmypdf entrada.pdf salida.pdf, o rasteriza las páginas y ejecuta tesseract pagina.tif salida pdf.

¿Por qué Tesseract no lee un PDF directamente?

Tesseract reconoce imágenes ráster, así que las páginas del PDF deben convertirse a imágenes primero.

¿Qué DPI debo usar?

300 DPI para la mayoría de documentos; 600 DPI para fuentes pequeñas o archivo.

¿Puedo aplicar OCR a un PDF en Python?

Sí: usa pdf2image con poppler y pytesseract.image_to_pdf_or_hocr, y combina las páginas con pypdf.

¿Cómo mantengo el diseño preciso?

Coincide el tamaño y el DPI originales, y prefiere OCRmyPDF, que conserva la imagen y añade la capa de texto encima.

Resumen (un comando)

Por qué hay que rasterizar los PDF

Crear un PDF buscable con la CLI de Tesseract

Método B — OCRmyPDF (recomendado para PDF reales)

Método C — pdfsandwich

Método D — Python de principio a fin

¿Qué método debo usar?

Fidelidad de diseño y superposición de texto

Calidad y rendimiento

Solución de problemas

Preguntas frecuentes de PDF

Siguientes pasos